---
term: "Canonical Examples"
slug: "canonical-examples"
glossar_id: "G179"
variants: []
category: "prompting-und-gespraechsgestaltung"
marker: ""
short: "Repräsentative Beispiele zur Verdeutlichung gewünschten Verhaltens."
sources:
  - label: "Anthropic: Context Engineering"
    url: "https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents"
  - label: "Brown et al.: Language Models are Few-Shot Learners"
    url: "https://arxiv.org/pdf/2005.14165"
  - label: "OpenAI: Prompt Engineering"
    url: "https://developers.openai.com/api/docs/guides/prompt-engineering"
status: "entwurf"
updated: "2026-09-21"
---

Canonical Examples sind hier ausgewählte, repräsentative Beispiele, die das gewünschte Verhalten eines Modells besonders klar zeigen. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Der Ausdruck steht für eine vielfältige, gezielt zusammengestellte Auswahl statt einer möglichst vollständigen Sammlung aller Sonderfälle. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

## Beispiele mit klarer Aussage

Ein Beispiel im Prompt kann aus einer typischen Eingabe und der dazu gewünschten Ausgabe bestehen. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Damit wird ein Bearbeitungsmuster vorgeführt, das das Modell auf einen neuen Fall übertragen soll. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165)

Solche Beispiele gehören nach ihrer Aussagekraft für das erwartete Verhalten ausgewählt. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Die Bezeichnung wird in diesem Artikel in diesem redaktionellen Sinn verwendet: „kanonisch“ heißt ein ausgewähltes Muster, nicht automatisch eine extern zertifizierte Musterlösung.

Mehrere unterschiedliche Beispiele können verschiedene Aspekte einer Aufgabe zeigen, ohne jede denkbare Formulierung einzeln aufzunehmen. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Entscheidend ist die Auswahl, nicht allein die Anzahl.

## So kannst du dir das vorstellen

Du planst hypothetisch einen Assistenten, der aus Besprechungsnotizen Aufgaben herausarbeitet. Drei bewusst gewählte Beispiele könnten Folgendes zeigen:

- **Vollständige Angabe:** Eine Aufgabe hat eine ausdrücklich genannte zuständige Person und einen Termin.
- **Fehlender Termin:** Die Aufgabe ist klar, die Frist wird aber als „nicht genannt“ ausgegeben.
- **Keine Entscheidung:** Eine bloße Idee wird nicht fälschlich als bereits beschlossene Aufgabe übernommen.

Die Beispiele würden damit verschiedene wichtige Grenzen des gewünschten Verhaltens zeigen. Drei fast gleichlautende Fälle mit vollständigen Angaben wären für genau dieses Demonstrationsziel weniger aufschlussreich.

Das ist eine selbst entworfene Auswahl, kein allgemeingültiger Katalog. Für einen anderen Prozess könnten andere Unterscheidungen wichtiger sein.

## Demonstration und Prüfung trennen

Die Beispiele im Prompt sind Bestandteil der Informationen, die das Modell für seine Antwort erhält. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Sie zeigen gewünschtes Verhalten, ersetzen aber nicht die empfohlenen Tests mit repräsentativen Aufgabenfällen. [OpenAI: Prompt Engineering](https://developers.openai.com/api/docs/guides/prompt-engineering)

Für eine eigene Prüfung würde ich deshalb weitere Fälle vorsehen, die nicht bereits als Muster mitgeliefert werden. So ließe sich untersuchen, ob die Regeln auch jenseits der vorgeführten Formulierungen sinnvoll angewendet werden.

## Verwandte Begriffe

**Few-Shot Prompting**, **One-Shot Prompting**, **In-Context Learning**, **Prompt Altitude**, **Prompt Engineering**.